opencv之xml分类器训练

前端之家收集整理的这篇文章主要介绍了opencv之xml分类器训练前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

参考链接
opencv之级联分类器训练opencv_traincascade http://jingyan.baidu.com/article/4dc40848f50689c8d946f197.html
如何利用OpenCV自带的haar training程序训练分类器http://blog.csdn.net/carson2005/article/details/8171571

1、准备好正负样本图片,正样本就是含有目标的图片,负样本就是不还有目标的图片,建好文件夹,如图所示。其中正样本图片最好是裁剪成同一尺寸,我这里是建成30*30,便于后期的说明文件的建立。图片的编辑我使用的是美图看看,批量编辑工具,可以批量将图片改成同一尺寸。格式是jpg或者bmp都没关系,我用的是jpg。 训练样本包括正样本和负样本。正样本,就是图片中只有你需要的目标。而负样本的图片只要其中不含有目标就可以了。但需要说明的是,负样本也并非随便选取的。例如,你我的检测目标是汽车,那么正样本就应该是仅仅含有汽车的图片,而负样本显然不能是一些包含天空的,海洋的,风景的图片。因为最终训练分类器的目的是检测汽车,而汽车应该出现在马路上。也就是说,分类器最终检测的图片应该是那些包含马路,交通标志,建筑物,广告牌,汽车,摩托车,三轮车,行人,自行车等在内的图片。很明显,这里的负样本应该是包含摩托车、三轮车、自行车、行人、路面、灌木丛、花草、交通标志、广告牌等。 另外,需要提醒的是,adaboost方法也是机器学习中的一个经典算法,而机器学习算法的前提条件是,测试样本和训练样本独立同分布。所谓的独立同分布,可以简单理解为:训练样本要和最终的应用场合非常接近或者一致。否则,基于机器学习的算法并不能保证算法的有效性。此外,足够的训练样本(至少得几千张正样本、几千张负样本)也是保证训练算法有效性的一个前提条件。 2、建立正负样本说明文件 在cmd下进入pos文件夹目录里,输入 dir /b > pos.dat,然后打开该文件删除最后一行,最后将名字归一化如下所示:同样的方法进入neg文件夹内,用同样的方法建立描述文件neg.dat,同样删掉最后一行。 另外,打开pos.dat 选择将jpg全部替换为 jpg 1 0 0 30 30 各个数字说明:1表示图中只有一个目标对象 0 0 表示目标对象在图中的坐标 30 30 表示图像宽度和长度 3、创建vec文件:将opencv_createsamples.exe和opencv_haartraining.exe(opencv_traincascade.exe)放到图片文件夹的上层目录,利用opencv_createsamples.exe应用程序在该目录下使用如下cmd命令: opencv_createsamples.exe -vec pos.vec -info pos/pos.dat -bg neg/neg.dat -w 30 -h 30 -num 156 其中的-vec是指定后面输出vec文件文件名,-info指定正样本描述文件,-bg指定负样本描述文件,-w和-h分别指正样本的宽和高,-num表示正样本的个数。执行完该命令后就会在当前目录下生产一个pos.vec文件了。 4、使用opencv_traincascade.exe文件进行训练 首先在当前目录下新建一个dt文件夹用于存放生成的.xml文件。 在当前目录使用cmd命令: haartraining.exe -data dthaar -vec pos.vec -bg neg\neg.dat -npos 156 -nneg 200 -mem 200 -mode ALL -w 20 -h 20 -mode<basic(default)|core|all>选择用来训练的haar特征集的种类。basic仅仅使用垂直特征。all使用垂直和45度角旋转特征。

猜你在找的XML相关文章